بخشی از مقاله
چکیده
تخمین و پیش بینی میزان رواناب یکی از اساسی ترین بخشهای مدیریت منابع آب میباشد. این تحقیق به منظور برآورد میزان رواناب در مناطق نیمه خشک با استفاده از روشهای ترکیبی موجک-شبکه عصبی MLP و موجک -انفیس انجام شده است. این کار به دلیل نقشی که رواناب سطحی در مدیریت منابع آب در مناطق خشک به ویژه در شرایط بحران آب دارد از اهمیت بالایی برخوردار میباشد. برای این منظور مقیاس زمانی روزانه مورد استفاده قرار گرفت. بدین منظور ابتدا دادههای ورودی مورد نظر که شامل مقادیر بارش، دما، برف، بیشینه و کمینه دمای روزانه، رطوبت و سرعت باد میباشد و نیز مقادیر دبی آب که به عنوان خروجی مدل در نظر گرفته میشود با تحلیل یک بعدی موجک به مؤلفههای فرکانس پایین و فرکانس بالای خود تجزیه شدند.
برای این منظور تبدیل موجک با مادر موجکهای مختلف و در سطوح مختلف انجام شد. در گام بعد، مولفههای تولید شده به مدلهای شبکه عصبی MLP و انفیس وارد شدند. مقادیر مولفههای خروجی - دبی آب - تخمین زده شده در مدلهای مذکور در گام بعدی با تبدیل معکوس موجک به مقادیر واقعی رواناب تبدیل شدند. نتایج نشان داد که مدل موجک-انفیس با R2 معادل 0/86 و RMSE معادل 2 m3 /s نسبت به مدل تلفیقی موجک-شبکه عصبی MLP با R2 معادل 0/83 و RMSE معادل 2/24 m3/s عملکرد بهتری داشته است. این تحقیق نشان داد تلفیق مدلهای موجود با تحلیل سیگنال موجک میتواند نتایج قابل قبولی ایجاد نماید.
-1مقدمه
مدلسازی بارش رواناب و تخمین مقدار دبی به ویژه در مناطق خشک و نیمه خشک از اهمیت بالایی برخوردار است. تخمین میزان دبی آب در مدیریت منابع آب و پیش بینی سیل و نیز بحرانهای کم آبی مورد استفاده قرار میگیرد چراکه کمبود آب میتواند منجر به خساراتی مانند از بین رفتن محصولات کشاورزی و مقادیر بیش از حد آب به صورت سیلاب میتواند باعث خسارات جانی و مالی زیادی گردد. لزوم این تخمین در کارهای عمرانی، ساماندهی رودخانه، طراحی و برنامه ریزی منابع آب سطحی و سامانههای هشدار سیل مشهود است. تخمین و پیش بینی مقادیر دبی آب میتواند به صورت روزانه یا در مقیاسهای زمانی بالاتر صورت پذیرد . پیش بینی روزانه دبی آب به علت اهمیت آن در مواجهه با خطرات جانی ناشی از سیلابها اثرگذاری زیادی دارد.
چنین پیش بینیهایی میتواند به عنوان نوعی سیستم هشدار سیل برای ساکنین حوزههای آبخیز و ساکنان پایین دست به کار گرفته شود. ذکر این نکته که سیلابها از ویژگیهای غیر قابل انکار مناطق خشک و نیمه خشک میباشند نیز در اینجا ضروری است. از طرف دیگر به علت نقش بالای مقادیر جریان سطحی در چرخه هیدرولوژیک و اهمیت مطالعه بیلان آب به صورت روزانه در بسیاری از مطالعات هیدرولوژیک به ویژه در مناطق خشک و نیمه خشک، پیش بینی و تخمین مقادیر روزانه دبی میتواند راهگشا باشد. از آنجا که مدلهای مفهومی و پایه فیزیکی اغلب نیازمند دانش صحیح و کامل در مورد فرآیند مورد مطالعه میباشند و نیز به داده-های مکانی زیادی برای انجام مدلسازی نیاز دارند، لذا انجام آنها در شرایط کمبود داده - مانند آنچه ما با آن روبرو هستیم - با مشکلاتی مواجه میشود.
در این میان شبکههای عصبی مصنوعی و سیستمهای نوروفازی از جمله روشهایی هستند که کاربرد روزافزونی پیدا کردهاند. شبکههای عصبی مصنوعی یا به زبان سادهتر شبکههای عصبی، سیستمها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده. ایدهی اصلی این گونه شبکهها الهامگرفته از شیوهی کارکرد سیستم عصبی زیستی، برای پردازش دادهها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهی پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوقالعاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل میکنند. از طرف دیگر نیز حوزه ارتباط بین منطق فازی و شبکه عصبی باعث بوجود آمدن انواع مختلفی از سیستمها شده است.
نوروفازی به سیستم ترکیبی حاصل از شبکه عصبی و سیستم استنتاجی فازی گفته میشود که در آن شبکه عصبی به عنوان تعین کننده پارامترهای سیستم فازی مورد استفاده قرار میگیرد. منظور از تعیین پارامترهای سیستم فازی توسط شبکه عصبی، تعیین اتوماتیک پارامترهای فازی مانند قوانین فازی و یا توابع عضویت مجموعههای فازی است. در مقابل نوروفازی، شبکه عصبی فازی قرار دارد که در آن از منطق فازی برای بهبود عملکرد شبکه عصبی استفاده میشود. در واقع نروفازی یک سیستم هیبریدی است که مرکب از توانایی تصمیمگیری منطق فازی با قابلیت حسابگری شبکه عصبی است و سطح بالایی را برای مدل سازی و تخمین به وجود میآورد. اصولا قسمت فازی مربوط به گروهبندی دادههای ورودی به مجموعههایی که با درجه عضویت مشخص میشوند و تصمیم گیری برای فعالیت بعدی برای یک سری قوانین و حرکت به مرحله بعدی است.
این سیستم شامل بخشهایی از سیستم فازی معمولی خبره است که در آن محاسبات در هر مرحله به وسیله لایههای پنهان نرون و توانایی یادگیری شبکه عصبی ایجاد شده است تا اطلاعات سیستم را افزایش دهد Eswari - و همکاران، . - 2008 مطالعات زیادی در این زمینه صورت گرفته است. Nourani و همکاران - 2009 - از سه مدل هوشمند شبکه عصبی مصنوعی، سیستم استنتاج فازی و سیستم فازی-عصبی تطبیقی جهت پیش بینی رواناب ماهانه و روزانه در حوزه آبریز لیقوان چای، واقع در استان آذربایجان شرقی استفاده نمودند. در نهایت، مدلهای مذکور با مدلهای سری زمانی مورد مقایسه قرار گرفتند. نتایج آنان بیانگر بهتر بودن نتایج روشهای فازی نسبت به سایر روشها بود. Araghinejad و - 2005 - Karamoz نیز از شبکه عصبی و سیستم استنتاج فازی برای پیش بینی بلند مدت حجم جریان رودخانه زاینده رود استفاده نمودند. نتایج آنان بیانگر عملکرد قابل قبول این روشها در برآورد.
میزان جریان بود. Zare Abyaneh و - 2011 - Bayat Varkeshi عملکرد مدل شبکه عصبی و شبکه عصبی فازی و مدلهای تجربی رگرسیونی را در حوزه سد زاینده رود بررسی نمودند . نتایج ایشان نیز موید کارایی قابل قبول این مدلها بود. این دو روش با وجود توانمندیهای زیادی که دارند دارای محدودیتهایی نیز هستند. یکی از مهمترین محدودیتهای این روشها این است که عملکرد نقطهای دارند و نمیتوانند کل دادهها را به صورت یک موجودیت واحد در نظر بگیرند و هر داده را به صورت مستقل از سایر دادهها در نظر میگیرند. و نکته دیگر اینکه این مدلها گاها در مدل سازی دادههایی که ایستا نیستند دچار مشکلاتی میشوند.
moosavi - و همکاران، . - 2015 برای رفع این مشکل و کمک به بهبود عملکرد این مدلها میتوان از شیوه پردازش سیگنال موجک استفاده نمود Adamowski - ، 2007؛ Kisi، 2009؛ Moosavi و همکاران، 2013؛ Moosavi و Niazi، . - 2015 موجکها دستهای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفههای فرکانسی آن بکار میرود که رزولوشن هر مؤلفه برابر با مقیاس آن است. تبدیل موجک تجزیه یک تابع بر مبنای توابع موجک میباشد . موجکها نمونههای انتقال یافته و مقیاس شده یک تابع - موجک مادر - با طول متناهی و نوسانی شدیداً میرا هستند. در این تحقیق آنالیز یک بعدی موجک با دو مدل شبکه عصبی مصنوعی و مدل استنتاج عصبی فازی جهت تخمین مقادیر روزانه رواناب تلفیق شدند.
-2مواد و روشها
-1-2 منطقه مورد مطالعه
تحقیق حاضر در منطقه عجبشیر با وسعت کل 739/4 کیلومترمربع در غرب استان آذربایجانشرقی و در محدوده مختصات جغرافیایی 45 41´ 38" تا 46 19´ 48" طول شرقی و " 37 22´ 29 تا 37 42´ عرض شمالی انجام پذیرفت. ارتفاع بلندترین و پست ترین نقطه منطقه نسبت به تراز متوسط دریا به ترتیب برابر با 3400 و 1275 متر است. اقلیم محدوده عجبشیر در روش طبقهبندی آمبرژه از نوع نیمه خشک سرد میباشد. میانگین بارندگی در محدوده عجبشیر حدود 272/3 میلیمتر در سال است. میانگین دمای سالانه محدوده عجبشیر با استفاده از اطلاعات ایستگاههای مغانجیق و مراغه به عنوان ایستگاههای معرف منطقه، برابر 8/7 درجه سانتیگراد میباشد.
بخش کوهستانی با رخساره سنگی و صخرهای بسیار پر شیب و دارای سازندهای زمین-شناسی متنوعی است. بعد از آن اراضی تپه ماهوری دامنهها و تراسهای قدیمی استقرار یافته که به صورت اراضی با شیب زیاد دارای آبراههها و درههای کم و بیش بزرگ بوده و بیشتر شیبی به سوی غرب و جنوب غربی دارند. قسمت سوم پهنه اصلی دشت میباشد که زیر پوشش زمینهای کشاورزی است. در نهایت زمینهای مسطح و پهنههای تبخیری حاشیه دریاچه اورمیه قرار دارد. همچنین به بستر رودخانهها بایستی اشاره نمود که گسترش چندانی نداشته و با پوششی از عناصر آبرفتی کم و بیش دانه درشت همراه است.
